CN116957854A - 设备租赁网点智能化配置方法、装置、设备及存储介质 - Google Patents
设备租赁网点智能化配置方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116957854A CN116957854A CN202310987050.2A CN202310987050A CN116957854A CN 116957854 A CN116957854 A CN 116957854A CN 202310987050 A CN202310987050 A CN 202310987050A CN 116957854 A CN116957854 A CN 116957854A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- clustering center
- category
- clustering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010248 power generation Methods 0.000 claims abstract description 63
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 208000003098 Ganglion Cysts Diseases 0.000 description 3
- 208000005400 Synovial Cyst Diseases 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及租赁设备配置技术领域,揭露了一种设备租赁网点智能化配置方法,包括:获取目标光伏发电设备租赁网点的历史数据,对历史数据进行分类,得到类别数据;在类别数据中选取聚类中心,计算历史数据与聚类中心的相似度指标值,根据相似度指标值对聚类中心进行更新,得到目标聚类中心;根据目标聚类中心进行聚类,得到类别数据对应的聚类数据集;对聚类数据集进行使用数据预测,得到类别数据对应的预测数据;根据预测数据确定预测设备配置,根据预测设备配置对目标光伏发电设备租赁网点进行光伏发电设备配置。本发明还提出一种设备租赁网点智能化配置装置、电子设备以及存储介质。本发明可以提高变设备租赁网点智能化配置效率。
Description
技术领域
本发明涉及租赁设备配置技术领域,尤其涉及一种设备租赁网点智能化配置方法、装置、设备及存储介质。
背景技术
作为国家鼓励发展的绿色清洁能源,光伏发电持续高速发展,装机规模不断扩大,呈现集中式与分布式协同开发趋势,目前用户侧分布式光伏开发主体主要为居民、工商业等个体用户,利用自有民宅、楼宇、厂房等相对分散的建筑屋顶、墙面及空旷场地就地开发使用,相较于直接购买光伏发电设备以及建设开发光伏专用场地,通过租赁光伏发电设备能够大大降低用户的成本,同时分布式光伏具有发电就近消纳、电网接入友好及屋顶资源综合节约利用等优点,是对集中式发电的有力补充,但分布式光伏也具有天然的位置分散、单体规模小、不易管理等难点,对光伏发电设备租赁网点都提出了更高要求,因此,如何更精确地对光伏发电设备租赁网点进行网点配置成为亟待解决的问题。
发明内容
本发明提供一种设备租赁网点智能化配置方法、装置、设备及存储介质,其主要目的在于解决光伏发电设备租赁网点进行设备配置是准确度较低的问题。
为实现上述目的,本发明提供的一种设备租赁网点智能化配置方法,包括:
获取目标光伏发电设备租赁网点的历史数据,对所述历史数据进行分类,得到不同设备类别的类别数据;
在所述类别数据中选取聚类中心,计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值,根据所述相似度指标值对所述聚类中心进行更新,得到目标聚类中心;
根据所述目标聚类中心对所述类别数据进行聚类,得到所述类别数据对应的聚类数据集;
利用预构建的预测模型对所述聚类数据集进行使用数据预测,得到所述类别数据对应的预测数据;
根据所述预测数据确定所述不同设备类别对应的预测设备配置,根据所述预测设备配置对所述目标光伏发电设备租赁网点进行光伏发电设备配置。
可选地,所述计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值,包括:
计算所述类别数据中每个历史数据与所述聚类中心的的相似度值以及数据距离;
根据所述相似度值及所述数据距离计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值;
利用如下公式计算每个所述历史数据与所述聚类中心的相似度指标值:
E=μd+(1-μ)ρ
其中,E表示所述相似度指标值,μ表示预设的权重常数,d表示所述数据距离,ρ表示所述相似度值。
可选地,所述计算所述类别数据中每个历史数据与所述聚类中心的的相似度值,包括:
利用如下公式计算所述类别数据中每个历史数据与所述聚类中心的相似度值:
其中,所述ρ表示类别数据中第i个历史数据与第i个聚类中心的相似度值,xi表示类别数据中第i个历史数据,yi表示第i个聚类中心,表示所述类别数据中历史数据的数据均值,/>表示所述聚类中心的数据均值。
可选地,所述根据所述相似度指标值对所述聚类中心进行更新,得到目标聚类中心,包括:
根据所述相似度指标值将所述类别数据划分至所述聚类中心,得到分组数据;
将所述分组数据的数据均值作为初始更新聚类中心,计算所述类别数据中每个历史数据与所述初始更新聚类中心的更新相似度指标值;
根据所述更新相似度指标值对所述初始更新聚类中心进行迭代,直至所述初始更新聚类中心不再更新,得到目标聚类中心。
可选地,所述根据所述目标聚类中心对所述类别数据进行聚类,得到所述类别数据对应的聚类数据集,包括:
将所述类别数据以及所述目标聚类中心转化为数据向量及聚类中心向量,构建所述数据向量的协方差矩阵;
根据所述协方差矩阵及所述聚类中心向量计算所述类别数据中每个历史数据与所述目标聚类中心的数据距离;
利用如下公式计算所述类别数据中每个历史数据与所述目标聚类中心的数据距离:
其中,fmn表示历史数据m与目标聚类中心n之间的数据距离,em为所述历史数据m的数据向量,en为所述目标聚类中心n的聚类中心向量,T为向量转置符号,S为所述协方差矩阵;
将所述类别数据中每个历史数据分类至所述数据距离的最大值对应的目标聚类中心,得到所述类别数据对应的聚类数据集。
可选地,所述利用预构建的预测模型对所述聚类数据集进行使用数据预测,得到所述类别数据对应的预测数据,包括:
对所述聚类数据集进行数据归一化,得到标准数据,利用所述预测模型中的输入层将所述标准数据进行向量转化,得到标准向量;
利用所述预测模型中的隐藏层对所述标准向量进行矩阵卷积及偏置处理,得到目标特征;
利用所述预测模型中的输出层对所述目标特征进行激活运算,得到所述类别数据对应的预测数据。
可选地,所述根据所述预测数据确定所述不同设备类别对应的预测设备配置,包括:
根据所述预测数据计算所述不同设备类别对应的设备租赁总量以及租赁时间;
根据所述设备租赁总量以及所述租赁时间确定所述不同设备类别对应的实际设备数量,将所述实际设备数量作为所述不同设备类别对应的预测设备配置。
为了解决上述问题,本发明还提供一种设备租赁网点智能化配置装置,所述装置包括:
历史数据分类模块,用于获取目标光伏发电设备租赁网点的历史数据,对所述历史数据进行分类,得到不同设备类别的类别数据;
目标聚类中心计算模块,用于在所述类别数据中选取聚类中心,计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值,根据所述相似度指标值对所述聚类中心进行更新,得到目标聚类中心;
数据聚类模块,用于根据所述目标聚类中心对所述类别数据进行聚类,得到所述类别数据对应的聚类数据集;
使用数据预测模块,用于利用预构建的预测模型对所述聚类数据集进行使用数据预测,得到所述类别数据对应的预测数据;
网点设备配置模块,用于根据所述预测数据确定所述不同设备类别对应的预测设备配置,根据所述预测设备配置对所述目标光伏发电设备租赁网点进行光伏发电设备配置。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的设备租赁网点智能化配置方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的设备租赁网点智能化配置方法。
本发明实施例通过对光伏发电设备租赁网点的历史数据进行分类,能够对不同的光伏发电设备类别进行预测,提高整个光伏发电设备租赁网点的配置准确度;计算每个类别数据的目标聚类中心,根据目标聚类中心对类别数据进行聚类,得到聚类数据集,进一步地对不用的租赁情况进行划分,再利用预构建的预测模型对聚类数据集进行使用数据预测,得到不同租赁情况下对应的预测数据,进而确定不同设备类别对应的预测设备配置,提高光伏发电设备租赁网点的设备配置准确度,实现目标光伏发电设备租赁网点的精确配置。因此本发明提出的设备租赁网点智能化配置方法、装置、电子设备及计算机可读存储介质,可以解决光伏发电设备租赁网点进行设备配置时准确度较低的问题。
附图说明
图1为本发明一实施例提供的设备租赁网点智能化配置方法的流程示意图;
图2为本发明一实施例提供的对聚类中心进行更新的流程示意图;
图3为本发明一实施例提供的对类别数据进行聚类的流程示意图;
图4为本发明一实施例提供的设备租赁网点智能化配置装置的功能模块图;
图5为本发明一实施例提供的实现所述设备租赁网点智能化配置方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种设备租赁网点智能化配置方法。所述设备租赁网点智能化配置方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述设备租赁网点智能化配置方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的设备租赁网点智能化配置方法的流程示意图。在本实施例中,所述设备租赁网点智能化配置方法包括:
S1、获取目标光伏发电设备租赁网点的历史数据,对所述历史数据进行分类,得到不同设备类别的类别数据。
本发明实施例中,所述目标光伏发电设备租赁网点的历史数据是需要进行智能化配置的光伏发电设备租赁网点,历史数据为目标光伏发电设备租赁网点在过去的一年、两年或三年内等预设历史时期的设备租赁数据,根据不同光伏发电设备的类别对历史数据进行分类,得到不同光伏发电设备类别对应的类别数据。
本发明实施例中,通过将历史数据分类为不同设备类别的类别数据,能够针对性地对目标光伏发电设备租赁网点进行设备类别的需求分析,进而对目标光伏发电设备租赁网点进行配置调整,提高网点配置的准确度。
S2、在所述类别数据中选取聚类中心,计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值,根据所述相似度指标值对所述聚类中心进行更新,得到目标聚类中心。
本发明实施例中,选取聚类中心是在类别数据中随机选取预设数量的类别数据,计算每个类别数据与聚类中心的相似度指标值,计算每个类别数据与聚类中心的相关度,以对选取的聚类中心进行更新,得到更精确的目标聚类中心,保证后续聚类的准确度。
本发明实施例中,所述计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值,包括:
计算所述类别数据中每个历史数据与所述聚类中心的的相似度值以及数据距离;
根据所述相似度值及所述数据距离计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值。
本发明实施例中,所述相似度值是衡量每个历史数据与聚类中心之间的相关性,相似度值越大,历史数据与聚类中心越相关,进而能够反映与聚类中心的相似度,本发明另一可选实施例中,可以利用平方差距离计算数据距离。
本发明实施例中,所述计算所述类别数据中每个历史数据与所述聚类中心的的相似度值,包括:
利用如下公式计算所述类别数据中每个历史数据与所述聚类中心的相似度值:
其中,所述ρ表示类别数据中第i个历史数据与第i个聚类中心的相似度值,xi表示类别数据中第i个历史数据,yi表示第i个聚类中心,表示所述类别数据中历史数据的数据均值,/>表示所述聚类中心的数据均值。
本发明实施例中,所述根据所述相似度值及所述数据距离计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值,包括:
利用如下公式计算每个所述历史数据与所述聚类中心的相似度指标值:
E=μd+(1-μ)ρ
其中,E表示所述相似度指标值,μ表示预设的权重常数,d表示所述数据距离,ρ表示所述相似度值。
本发明实施例中,通过所述相似度指标值能够确定每个历史数据与聚类中心的相关性,进而能够根据相关性指标对聚类中心进行更新,保证聚类中心的准确度,进而使得聚类数据集的准确度。
本发明实施例中,参阅图2所示,所述根据所述相似度指标值对所述聚类中心进行更新,得到目标聚类中心,包括:
S21、根据所述相似度指标值将所述类别数据划分至所述聚类中心,得到分组数据;
S22、将所述分组数据的数据均值作为初始更新聚类中心,计算所述类别数据中每个历史数据与所述初始更新聚类中心的更新相似度指标值;
S23、根据所述更新相似度指标值对所述初始更新聚类中心进行迭代,直至所述初始更新聚类中心不再更新,得到目标聚类中心。
本发明实施例中,根据相似度指标值将类别数据划分到聚类中心,例如,将类别数据中每个历史数据划分至相似度指标值最大的聚类中心中,得到分组数据,将分组数据的数据均值作为初始更新聚类中心,迭代计算每个历史数据与初始更新聚类中心的相似度指标值,直至初始更新聚类中心不再变化,即更新后的初始更新聚类中心与分组数据的数据均值一致,进而能够得到更精确的目标聚类中心
S3、根据所述目标聚类中心对所述类别数据进行聚类,得到所述类别数据对应的聚类数据集。
本发明实施例中,数据聚类是将类别数据中与目标聚类中心最相关的历史数据归类到一个聚类数据集,进而能够对类别数据中最相关的设备租赁数据进行聚类,得到每个光伏发电设备类别的租赁数据中最相关的聚类数据集。
本发明实施例中,参与图3所示,所述根据所述目标聚类中心对所述类别数据进行聚类,得到所述类别数据对应的聚类数据集,包括:
S31、将所述类别数据以及所述目标聚类中心转化为数据向量及聚类中心向量,构建所述数据向量的协方差矩阵;
S32、根据所述协方差矩阵及所述聚类中心向量计算所述类别数据中每个历史数据与所述目标聚类中心的数据距离;
S33、将所述类别数据中每个历史数据分类至所述数据距离的最大值对应的目标聚类中心,得到所述类别数据对应的聚类数据集。
本发明实施例中,通过构建协方差矩阵能够避免数据量纲对计算的影响,考同时能够虑到数据之间的相关性,进而能够更精确地对类别数据进行聚类。
本发明实施例中,所述根据所述协方差矩阵及所述聚类中心向量计算所述类别数据中每个历史数据与所述目标聚类中心的数据距离,包括:
利用如下公式计算所述类别数据中每个历史数据与所述目标聚类中心的数据距离:
其中,fmn表示历史数据m与目标聚类中心n之间的数据距离,em为所述历史数据m的数据向量,en为所述目标聚类中心n的聚类中心向量,T为向量转置符号,S为所述协方差矩阵。
本发明实施例中,通过将历史数据进行聚类,能够将每个设备类别的租赁数据进行分类,例如,将光伏发电设备类别1中的类别数据有,两台设备租赁两个月,4台设备租赁5个月,6台设备租赁两个月,5台设备租赁5个月等数据,则可以将每个类别数据中最相关的历史数据进行聚类,进而能够对不同的设备租赁情况进行分析,进而更准确地对目标光伏发电设备租赁网点进行设备配置。
S4、利用预构建的预测模型对所述聚类数据集进行使用数据预测,得到所述类别数据对应的预测数据。
本发明实施例中,所述预测模型是改进后的神经网络模型,可以是历史光伏发电设备的使用数据进行训练得到的,通过预测模型能够对每个聚类数据集进行预测,得到每个聚类数据集对应的预测数据,即每个聚类数据集对应的预测租赁数据,从而能够对目标光伏发电设备租赁网点进行光伏发电设备配置。
本发明其中一可选实施例中,所述预测模型包括输入层、隐藏层和输出层三个网络层,每个网络层中包含多个神经节点,例如,输入层用于加载数据,过多的神经节点将引入较多的噪声,但过少的神经节点将导致网络获取信息能力不足,因此,可以将输入层的神经节点数量设置为60,输出层只输出一个预测结果,因此,输出层的神经节点数设置为1,隐藏层的神经节点数量与输出层以及输出层中的神经节点数量相关,本发明实施例中,可以设置为14个神经节点。
本发明实施例中,所述利用预构建的预测模型对所述聚类数据集进行使用数据预测,得到所述类别数据对应的预测数据,包括:
对所述聚类数据集进行数据归一化,得到标准数据,利用所述预测模型中的输入层将所述标准数据进行向量转化,得到标准向量;
利用所述预测模型中的隐藏层对所述标准向量进行矩阵卷积及偏置处理,得到目标特征;
利用所述预测模型中的输出层对所述目标特征进行激活运算,得到所述类别数据对应的预测数据。
本发明实施例中,输入层中神经元的主要作用是进行数据传递,即将输入至预测模型的聚类数据进行向量转化后传输至隐藏层,隐藏层用于对接收到的标准向量进行计算,包括利用预设的矩阵进行矩阵乘计算并叠加转置,通过矩阵乘计算进行矩阵卷积,叠加预设的偏差矩阵进行偏置处理,得到目标特征,利用输出层进行sigmoid激活函数进行激活运算,得到预测数据。
本发明实施例中,通过计算类别数据对应的预测数据,能够对不同相关性的历史数据进行预测,得到不同租赁情况对应的租赁数量以及租赁时间,进而提高预测数据的准确度。
S5、根据所述预测数据确定所述不同设备类别对应的预测设备配置,根据所述预测设备配置对所述目标光伏发电设备租赁网点进行光伏发电设备配置。
本发明实施例中,每个预测数据对应着不同的设备租赁情况,进而能够对目标光伏发电设备租赁网点进行准确地设备配置。
本发明实施例中,所述根据所述预测数据确定所述不同设备类别对应的预测设备配置,包括:
根据所述预测数据计算所述不同设备类别对应的设备租赁总量以及租赁时间;
根据所述设备租赁总量以及所述租赁时间确定所述不同设备类别对应的实际设备数量,将所述实际设备数量作为所述不同设备类别对应的预测设备配置。
本发明实施例中,设备足量总量是预测数据中的设备数量,例如,预测数据中包括租赁时间为1个月的10台,3-5个月的20台,2-3个月的为40台,则设备租赁总量为70台,但实际情况中,设备可以重复使用,租赁时间短的用户退租后可以继续租赁给后续租赁时间长的用户使用,得到实际设备数量,例如,为了保证设备能够保证设备充足,通过历史经验设置规则确定实际设备数量,得到实际设备数量为55台,进而确定每个设备类别对应的预测设备配置。
本发明实施例中,通过预测设备配置对目标光伏发电设备租赁网点中的光伏发电设备进行光伏发电设备配置,保证设备配置的准确度,避免光伏发电设备的浪费,实现目标光伏发电设备租赁网点的精确配置。
本发明实施例通过对光伏发电设备租赁网点的历史数据进行分类,能够对不同的光伏发电设备类别进行预测,提高整个光伏发电设备租赁网点的配置准确度;计算每个类别数据的目标聚类中心,根据目标聚类中心对类别数据进行聚类,得到聚类数据集,进一步地对不用的租赁情况进行划分,再利用预构建的预测模型对聚类数据集进行使用数据预测,得到不同租赁情况下对应的预测数据,进而确定不同设备类别对应的预测设备配置,提高光伏发电设备租赁网点的设备配置准确度,实现目标光伏发电设备租赁网点的精确配置。因此本发明提出的设备租赁网点智能化配置方法,可以解决光伏发电设备租赁网点进行设备配置时准确度较低的问题。
如图4所示,是本发明一实施例提供的设备租赁网点智能化配置装置的功能模块图。
本发明所述设备租赁网点智能化配置装置400可以安装于电子设备中。根据实现的功能,所述设备租赁网点智能化配置装置400可以包括历史数据分类模块401、目标聚类中心计算模块402、数据聚类模块403、使用数据预测模块404及网点设备配置模块405。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述历史数据分类模块401,用于获取目标光伏发电设备租赁网点的历史数据,对所述历史数据进行分类,得到不同设备类别的类别数据;
所述目标聚类中心计算模块402,用于在所述类别数据中选取聚类中心,计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值,根据所述相似度指标值对所述聚类中心进行更新,得到目标聚类中心;
所述数据聚类模块403,用于根据所述目标聚类中心对所述类别数据进行聚类,得到所述类别数据对应的聚类数据集;
所述使用数据预测模块404,用于利用预构建的预测模型对所述聚类数据集进行使用数据预测,得到所述类别数据对应的预测数据;
所述网点设备配置模块405,用于根据所述预测数据确定所述不同设备类别对应的预测设备配置,根据所述预测设备配置对所述目标光伏发电设备租赁网点进行光伏发电设备配置。
详细地,本发明实施例中所述设备租赁网点智能化配置装置400中所述的各模块在使用时采用与上述图1至图3中所述的设备租赁网点智能化配置方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现设备租赁网点智能化配置方法的电子设备的结构示意图。
所述电子设备500可以包括处理器501、存储器502、通信总线503以及通信接口504,还可以包括存储在所述存储器502中并可在所述处理器501上运行的计算机程序,如设备租赁网点智能化配置程序。
其中,所述处理器501在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器501是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器502内的程序或者模块(例如执行设备租赁网点智能化配置程序等),以及调用存储在所述存储器502内的数据,以执行电子设备的各种功能和处理数据。
所述存储器502至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器502在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器502在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器502还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器502不仅可以用于存储安装于电子设备的应用软件及各类数据,例如设备租赁网点智能化配置程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线503可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器502以及至少一个处理器501等之间的连接通信。
所述通信接口504用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图中示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器501逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备500中的所述存储器502存储的设备租赁网点智能化配置程序是多个指令的组合,在所述处理器501中运行时,可以实现:
获取目标光伏发电设备租赁网点的历史数据,对所述历史数据进行分类,得到不同设备类别的类别数据;
在所述类别数据中选取聚类中心,计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值,根据所述相似度指标值对所述聚类中心进行更新,得到目标聚类中心;
根据所述目标聚类中心对所述类别数据进行聚类,得到所述类别数据对应的聚类数据集;
利用预构建的预测模型对所述聚类数据集进行使用数据预测,得到所述类别数据对应的预测数据;
根据所述预测数据确定所述不同设备类别对应的预测设备配置,根据所述预测设备配置对所述目标光伏发电设备租赁网点进行光伏发电设备配置。
具体地,所述处理器501对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备500集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取目标光伏发电设备租赁网点的历史数据,对所述历史数据进行分类,得到不同设备类别的类别数据;
在所述类别数据中选取聚类中心,计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值,根据所述相似度指标值对所述聚类中心进行更新,得到目标聚类中心;
根据所述目标聚类中心对所述类别数据进行聚类,得到所述类别数据对应的聚类数据集;
利用预构建的预测模型对所述聚类数据集进行使用数据预测,得到所述类别数据对应的预测数据;
根据所述预测数据确定所述不同设备类别对应的预测设备配置,根据所述预测设备配置对所述目标光伏发电设备租赁网点进行光伏发电设备配置。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种设备租赁网点智能化配置方法,其特征在于,所述方法包括:
获取目标光伏发电设备租赁网点的历史数据,对所述历史数据进行分类,得到不同设备类别的类别数据;
在所述类别数据中选取聚类中心,计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值,根据所述相似度指标值对所述聚类中心进行更新,得到目标聚类中心;
根据所述目标聚类中心对所述类别数据进行聚类,得到所述类别数据对应的聚类数据集;
利用预构建的预测模型对所述聚类数据集进行使用数据预测,得到所述类别数据对应的预测数据;
根据所述预测数据确定所述不同设备类别对应的预测设备配置,根据所述预测设备配置对所述目标光伏发电设备租赁网点进行光伏发电设备配置。
2.如权利要求1所述的设备租赁网点智能化配置方法,其特征在于,所述计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值,包括:
计算所述类别数据中每个历史数据与所述聚类中心的的相似度值以及数据距离;
根据所述相似度值及所述数据距离计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值;
利用如下公式计算每个所述历史数据与所述聚类中心的相似度指标值:
E=μd+(1-μ)ρ
其中,E表示所述相似度指标值,μ表示预设的权重常数,d表示所述数据距离,ρ表示所述相似度值。
3.如权利要求2所述的设备租赁网点智能化配置方法,其特征在于,所述计算所述类别数据中每个历史数据与所述聚类中心的的相似度值,包括:
利用如下公式计算所述类别数据中每个历史数据与所述聚类中心的相似度值:
其中,所述ρ表示类别数据中第i个历史数据与第i个聚类中心的相似度值,xi表示类别数据中第i个历史数据,yi表示第i个聚类中心,表示所述类别数据中历史数据的数据均值,/>表示所述聚类中心的数据均值。
4.如权利要求1所述的设备租赁网点智能化配置方法,其特征在于,所述根据所述相似度指标值对所述聚类中心进行更新,得到目标聚类中心,包括:
根据所述相似度指标值将所述类别数据划分至所述聚类中心,得到分组数据;
将所述分组数据的数据均值作为初始更新聚类中心,计算所述类别数据中每个历史数据与所述初始更新聚类中心的更新相似度指标值;
根据所述更新相似度指标值对所述初始更新聚类中心进行迭代,直至所述初始更新聚类中心不再更新,得到目标聚类中心。
5.如权利要求1所述的设备租赁网点智能化配置方法,其特征在于,所述根据所述目标聚类中心对所述类别数据进行聚类,得到所述类别数据对应的聚类数据集,包括:
将所述类别数据以及所述目标聚类中心转化为数据向量及聚类中心向量,构建所述数据向量的协方差矩阵;
根据所述协方差矩阵及所述聚类中心向量计算所述类别数据中每个历史数据与所述目标聚类中心的数据距离;
利用如下公式计算所述类别数据中每个历史数据与所述目标聚类中心的数据距离:
其中,fmn表示历史数据m与目标聚类中心n之间的数据距离,em为所述历史数据m的数据向量,en为所述目标聚类中心n的聚类中心向量,T为向量转置符号,S为所述协方差矩阵;
将所述类别数据中每个历史数据分类至所述数据距离的最大值对应的目标聚类中心,得到所述类别数据对应的聚类数据集。
6.如权利要求1所述的设备租赁网点智能化配置方法,其特征在于,所述利用预构建的预测模型对所述聚类数据集进行使用数据预测,得到所述类别数据对应的预测数据,包括:
对所述聚类数据集进行数据归一化,得到标准数据,利用所述预测模型中的输入层将所述标准数据进行向量转化,得到标准向量;
利用所述预测模型中的隐藏层对所述标准向量进行矩阵卷积及偏置处理,得到目标特征;
利用所述预测模型中的输出层对所述目标特征进行激活运算,得到所述类别数据对应的预测数据。
7.如权利要求1所述的设备租赁网点智能化配置方法,其特征在于,所述根据所述预测数据确定所述不同设备类别对应的预测设备配置,包括:
根据所述预测数据计算所述不同设备类别对应的设备租赁总量以及租赁时间;
根据所述设备租赁总量以及所述租赁时间确定所述不同设备类别对应的实际设备数量,将所述实际设备数量作为所述不同设备类别对应的预测设备配置。
8.一种设备租赁网点智能化配置装置,其特征在于,所述装置包括:
历史数据分类模块,用于获取目标光伏发电设备租赁网点的历史数据,对所述历史数据进行分类,得到不同设备类别的类别数据;
目标聚类中心计算模块,用于在所述类别数据中选取聚类中心,计算所述类别数据中每个历史数据与所述聚类中心的相似度指标值,根据所述相似度指标值对所述聚类中心进行更新,得到目标聚类中心;
数据聚类模块,用于根据所述目标聚类中心对所述类别数据进行聚类,得到所述类别数据对应的聚类数据集;
使用数据预测模块,用于利用预构建的预测模型对所述聚类数据集进行使用数据预测,得到所述类别数据对应的预测数据;
网点设备配置模块,用于根据所述预测数据确定所述不同设备类别对应的预测设备配置,根据所述预测设备配置对所述目标光伏发电设备租赁网点进行光伏发电设备配置。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的设备租赁网点智能化配置方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的设备租赁网点智能化配置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987050.2A CN116957854A (zh) | 2023-08-07 | 2023-08-07 | 设备租赁网点智能化配置方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987050.2A CN116957854A (zh) | 2023-08-07 | 2023-08-07 | 设备租赁网点智能化配置方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116957854A true CN116957854A (zh) | 2023-10-27 |
Family
ID=88460327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310987050.2A Pending CN116957854A (zh) | 2023-08-07 | 2023-08-07 | 设备租赁网点智能化配置方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957854A (zh) |
-
2023
- 2023-08-07 CN CN202310987050.2A patent/CN116957854A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476276B (zh) | 智能化数据分类方法、装置、电子设备及可读存储介质 | |
CN112085378B (zh) | 资源分配方法、装置、计算机设备及存储介质 | |
CN110751416A (zh) | 一种用水量的预测方法、装置及设备 | |
CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
CN114399212A (zh) | 生态环境质量评估方法、装置、电子设备及存储介质 | |
CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
CN112948705A (zh) | 一种基于政策大数据的智能匹配方法、装置及介质 | |
CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN115471215B (zh) | 一种业务流程处理方法及装置 | |
CN115796398A (zh) | 基于电力物资的需求智能分析方法、系统、设备及介质 | |
CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
CN116957854A (zh) | 设备租赁网点智能化配置方法、装置、设备及存储介质 | |
CN115455369A (zh) | 不动产登记平台的构建方法及装置 | |
CN115271821A (zh) | 网点分布处理方法、装置、计算机设备及存储介质 | |
CN115238179A (zh) | 项目推送方法、装置、电子设备及计算机可读存储介质 | |
CN113704407A (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN110414709A (zh) | 债务风险智能预测方法、装置及计算机可读存储介质 | |
CN116992220B (zh) | 一种低冗余用电数据智能采集方法 | |
CN115713145B (zh) | 村镇社区效能预测方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |